Объектом исследования является разработка модели нейронной сети для идентификации мошеннических транзакций с кредитными картами. При создании нейронной сети были рассмотрены программные библиотеки и фреймворки для разработки моделей нейронной сети на основе алгоритмов машинного обучения (Tensorflow, Keras, Sklearn, Imblearn, Pandas). Были изучены алгоритмы по работе с несбалансированными наборами данных, техники по дискретизации данных наборов, методы по нахождению корреляции между данными, их классификация и отсечение «экстремальных выбросов» между взаимосвязанных величин. Из многообразия существующих в настоящее время фреймворков для создания и тренировки модели нейронной сети, был выбран Keras, отвечающий всем требованиям разработки. Были выбраны четыре разных алгоритма для классификации данных модели. Результатом данной работы является разработанная модель нейронной сети на языке Python 3.5 с точностью предсказания мошеннических и не мошеннических транзакций с кредитными картами в 99%, данная модель может быть использована в виде фильтра при осуществлении транзакций в виде Rest или Soap веб-сервиса.

Neural network, machine learning, banking transactions, credit card fraud. The object of the research is the development of a neural network model for identifying fraudulent credit card transactions. When creating a neural network, software libraries and frameworks for developing neural network models based on machine learning algorithms (Tensorflow, Keras, Sklearn, Imblearn, Pandas) were considered. Algorithms for working with unbalanced data sets, techniques for sampling data sets, methods for finding the correlation between data, their classification and cutting off “extreme emissions” between interrelated values ​​were studied. From the variety of currently existing frameworks for creating and training a neural network model, Keras was selected to meet all the development requirements. Four different algorithms were chosen to classify the model data. The result of this work is the developed model of the neural network in Python 3.5 with the accuracy of predicting fraudulent and non-fraudulent credit card transactions at 99%, this model can be used as a filter when performing transactions in the form of a Rest or Soap web service.

• Введение
• 1. Анализ существующих решений
• 2. Постановка задачи
• 3. Архитектура нейронной сети
• 4. Реализация
• 5. Результаты и анализ метрик модели
• Заключение
• Список используемой литературы
• Приложение